Anthropic triplica la tasa de éxito convencional en diseño de proteínas, un avance con impacto directo en el I+D farmacéutico.
Claves de la operación
- Claude triplica la tasa de éxito convencional en diseño de proteínas. Entre el 22,6% y el 35,1% de los candidatos funcionaron frente al 10-15% habitual en la industria.
- Anthropic no descubrió una molécula nueva: orquestó herramientas ya existentes. El modelo coordinó software de diseño, secuenciación y plegamiento de proteínas ya utilizado por los investigadores.
- El avance no es un fármaco. Un binder es solo el primer paso: falta el recorrido regulatorio y clínico que separa a una proteína funcional de un medicamento aprobado.
El pulso por abaratar el I+D farmacéutico
El desarrollo de un medicamento cuesta de media entre 1.000 y 2.000 millones de euros, según los datos que maneja la industria. Una parte sustancial de esa factura se concentra en las fases tempranas: identificar una proteína objetivo, diseñar una molécula capaz de unirse a ella y validar que funciona en laboratorio. La gran promesa de la IA en biotecnología es comprimir esa fase de dos o tres años a unos pocos meses. Anthropic acaba de aportar la evidencia más sólida hasta la fecha de que esa promesa es alcanzable.
El programa Claude Science de Anthropic, inaugurado recientemente, puso a su modelo a trabajar de forma autónoma durante 48 horas en un problema clásico del diseño de proteínas. Le dio acceso a literatura científica, internet, recursos de computación y varios modelos especializados en diseño, secuenciación y plegamiento de proteínas. Claude analizó los datos, generó candidatos, los optimizó y decidió cuáles debían sintetizarse en laboratorio sin intervención humana.
Las firmas especializadas Adaptyv Bio y Twist Bioscience fabricaron físicamente los diseños propuestos. De los 15 objetivos que produjeron resultados válidos, los modelos Claude Opus 4.8 y Mythos Preview lograron proteínas funcionales para 14. El resultado: 354 proteínas operativas a partir de 1.320 diseños, con tasas de éxito del 22,6% al 35,1%. Las cifras convencionales de la industria rondan entre el 10% y el 15%, según los datos publicados por Anthropic.
De 10% a 35%: un salto de eficiencia que reescribe las cuentas
El salto en la tasa de éxito tiene una lectura económica directa. Cada experimento fallido de síntesis de proteínas cuesta dinero, tiempo de laboratorio y personal especializado. Triplicar la tasa de aciertos reduce el número de iteraciones necesarias en la misma proporción, y con ello la factura de las fases iniciales del descubrimiento. Para las farmacéuticas que compiten por llegar antes al mercado, esa ventaja se traduce en meses de adelanto sobre el competidor.
En uno de los experimentos más reveladores, el modelo Mythos Preview logró una tasa de éxito del 40% contra el objetivo RBX1, frente al 3,7% obtenido por los participantes de una competición organizada por Adaptyv Bio. Opus 4.8 también consiguió proteínas contra TNFa, una diana terapéutica relevante que había planteado problemas a numerosos expertos. El avance llega tras años de resistencia en la industria a confiar los procesos de diseño a la IA.
La IA no ha descubierto una molécula nueva: ha automatizado la parte más tediosa del proceso y la ha hecho el doble de eficiente.
Hubo fracasos, y conviene señalarlos. Ninguno de los 90 diseños creados contra la proteína MBP produjo un binder confirmado. En un segundo experimento, Claude Opus 5 analizó archivos brutos de NMR y LC-MS —las técnicas que verifican la pureza de una molécula sintetizada— y calculó una pureza del 96,4% en apenas 20 minutos por técnica, frente al 96,33% obtenido en laboratorio. El hallazgo automatiza una tarea de análisis que hoy exige químicos especializados.
Así como los modelos de lenguaje generativo han comprimido los tiempos de redacción y programación, Claude demuestra que el mismo esquema puede aplicarse al trabajo de laboratorio. La mayoría de los casos tiene una lectura directa para el inversor: la biotecnología computacional deja de ser una promesa teórica y se convierte en una herramienta medible. El mercado empieza a descontar una aceleración del ciclo de descubrimiento en las cotizadas del sector.
La brecha que el laboratorio no cierra: del binder al medicamento
El matiz fundamental, y el que la narrativa entusiasta omite con frecuencia, es que un binder no es un fármaco. Las proteínas diseñadas por Claude se unen de forma precisa a sus objetivos, como una llave que encaja en una cerradura concreta. Eso puede servir para bloquear o modificar la actividad de una proteína implicada en una enfermedad, y es el primer paso de cualquier desarrollo terapéutico. Pero entre ese logro de laboratorio y un medicamento aprobado median años de ensayos clínicos, toxicología, farmacocinética y validación regulatoria.
La brecha es conocida en el ecosistema español. PharmaMar y Grifols, dos referentes del sector en el IBEX 35, han dedicado décadas a recorrer el camino completo desde el hallazgo de laboratorio hasta la aprobación comercial. Ninguna de las dos cotizadas ha sustituido ese recorrido por un algoritmo, por bueno que sea el resultado inicial. Lo que Anthropic ha demostrado es que la fase de diseño puede acelerarse y abaratarse de forma sustancial, no que el resto del proceso desaparezca.
Observamos, no obstante, un movimiento estructural relevante. Los grandes laboratorios llevan una década invirtiendo en plataformas propias de IA y en alianzas con empresas tecnológicas para no quedar fuera de esta carrera. El resultado de Anthropic presiona a Google DeepMind, cuya herramienta AlphaFold domina el plegamiento de proteínas, y a OpenAI para demostrar avances equivalentes con impacto clínico. La competencia entre los tres gigantes de la IA se desplaza a un terreno con valoraciones millonarias y patentes en juego.
El hito a seguir es la publicación de los datos completos del programa Claude Science y su validación por laboratorios independientes. Si los resultados se sostienen, la industria farmacéutica europea tendrá que decidir si adopta estas herramientas de forma acelerada o si espera a que el coste de no hacerlo sea demasiado alto. La cuenta está clara: cada mes de adelanto en el descubrimiento de un fármaco vale millones.
